O avanço da inteligência artificial (IA) no auxílio à pesquisa científica tem gerado expectativas sobre uma colaboração cada vez mais natural e eficiente entre humanos e máquinas. No entanto, dois sistemas recentes, Robin e Co-Scientist, revelam que, apesar dos progressos, existem limitações fundamentais na capacidade da IA em substituir ou mesmo acelerar integralmente o processo científico.
\n\n
IA na pesquisa científica: o que está em jogo?
\n
Muitos dos avanços mais empolgantes da ciência dependem da combinação de conhecimento especializado e da capacidade de conectar fatos distantes. Pesquisadores buscam na IA ferramentas que ajudem a gerar ideias, revisar literatura e analisar dados com maior rapidez e profundidade.
\n
Os sistemas mais recentes utilizam grandes modelos de linguagem (LLMs) para permitir uma interação mais natural e direta com o vasto corpo de conhecimento presente na literatura científica. Contudo, conforme demonstrado pelos estudos publicados na Nature, a linguagem por si só não é suficiente para abarcar toda a complexidade do método científico.
\n\n
Os sistemas Robin e Co-Scientist
\n
Ambos os sistemas têm como objetivo acelerar descobertas científicas trabalhando em colaboração com pesquisadores humanos. São sistemas multiagentes, compostos por agentes especializados que executam etapas específicas do processo científico, supervisionados por um agente coordenador.
\n
- \n
- Co-Scientist: desenvolvido pelo Google DeepMind, seus agentes simulam tarefas cognitivas abstratas, como um agente de reflexão que atua como um revisor crítico, avaliando hipóteses científicas. Agentes de classificação promovem debates entre hipóteses, simulando discussões para avaliar seus méritos relativos.
- Robin: criado pela organização sem fins lucrativos Future House, é focado na reposição de medicamentos, identificando novos usos para drogas existentes. Seus agentes selecionam testes experimentais e analisam dados biomédicos complexos.
\n
\n
\n\n
Resultados práticos e limitações
\n
O Co-Scientist utilizou um método de avaliação conhecido como Elo rating para classificar a novidade e o impacto de suas propostas, alcançando alinhamento considerável com avaliações humanas. Em experimentos com leucemia mieloide aguda, selecionou 30 candidatos a medicamentos, dos quais cinco foram testados em laboratório, com três apresentando resultados positivos e um se destacando.
\n
Já o Robin propôs 30 candidatos para tratamento da degeneração macular seca relacionada à idade, com cinco selecionados para testes. Após várias rodadas de análise e brainstorm, dois medicamentos foram identificados como promissores.
\n
Ambos os sistemas dependem fortemente da intervenção humana para definir questões científicas, validar e priorizar hipóteses, e não realizam experimentos físicos diretamente, limitando sua autonomia.
\n\n
Por que a linguagem não basta?
\n
Embora a IA facilite a navegação e a análise do vasto conhecimento acumulado, a comunicação baseada apenas em linguagem é imprecisa e ambígua, enquanto a ciência exige especificidade e rigor. Modelos que combinam dados estruturados e quantitativos com conceitos científicos são o futuro, permitindo conectar evidências desde sequências genômicas a imagens celulares.
\n
Esses modelos fundamentam o raciocínio científico na estrutura do conhecimento, superando a simples associação de palavras para capturar a complexidade dos sistemas naturais.
\n\n
Implicações práticas para a comunidade científica
\n
- \n
- IA pode acelerar etapas da pesquisa, mas não substituirá o julgamento crítico e a validação experimental humana.
- Colaborações mais naturais entre humanos e máquinas são possíveis, porém exigem modelos que integrem linguagem e dados estruturados.
- Pesquisadores devem manter cautela diante do aumento quantitativo de publicações geradas por IA, que podem apresentar qualidade inferior e referências fabricadas.
\n
\n
\n
\n\n
Links úteis
\n